---

AI Agent 框架分类与代表对比

Agent 框架很少「全能」——多数只在某一层做强。选型先定类别，再比同层框架。

总览：九大类各自解决什么

大类	核心问题	代表框架 / 产品	典型产出
1. 流程编排	谁下一步、怎么分支/恢复	LangGraph、CrewAI、LlamaIndex Workflows、OpenAI Agents SDK、Semantic Kernel	可控工作流
2. 多 Agent 协作	怎么分工、交接、互评	AutoGen(AG2)、CrewAI、LangGraph（图协作）	团队式任务完成
3. 检索 / RAG / 搜索	搜什么、怎么搜得准	LlamaIndex、QAgent、SmartSearch、composer-agentic_rag、SIARE、FORT*	更高质量召回与答问
4. 工具与协议	怎么接外部系统	MCP、各家 Function Calling / Tools SDK	可扩展工具面
5. 记忆与状态	记住什么、状态怎么持久	LangGraph Checkpoint、Mem0、Zep、自建 Redis/Postgres	跨轮/跨会话连续性
6. 训练与数据合成	怎么把 Agent「练强」	FORT、各类 RL Search Agent 训练链路	更强搜索/规划能力
7. 观测与评测	跑得怎样、为何失败	LangSmith、Langfuse、Phoenix、RAGAS	Trace、成本、质量回归
8. 耐久执行基建	长任务如何可重试可恢复	Temporal（+ 上述编排）	小时～天级可靠执行
9. 垂直场景 Agent	特定业态开箱能力	Cursor/代码 Agent、浏览器 Agent、客服 Agent	场景化交付

*FORT 偏「为搜索 Agent 造训练数据」，归入第 6 类更贴切；若强调深度搜索数据质量，可同时挂在第 3 类供给侧。

---

1. 流程编排类：怎么「走完这件事」

框架	控流抽象	状态/恢复	上手成本	突出特点	更适合
LangGraph	图（节点+条件边）	Checkpoint、HITL、回放强	中～高	显式状态、生产控流最强之一	复杂分支、审批、可审计
CrewAI	角色+任务流水线	基础；长跑常需自补	低	业务同学易懂的「组班」模型	顺序/层级业务协作
LlamaIndex Workflows	事件驱动 Step	有工作流状态	中	与 RAG/数据管线天然贴合	数据密、步骤清晰的流水线
OpenAI Agents SDK	ReAct 环 + Handoff	轻量	低	概念少、贴近 OpenAI	中等复杂度、厂商清晰
Semantic Kernel	Planner / Process / Plugin	偏平台能力	中	C#/Python/Java 一致体验	Azure/.NET 企业栈

同层怎么选一句话
要硬控流与可恢复 → LangGraph；要角色叙事快跑通 → CrewAI；要 RAG 步骤链 → LlamaIndex Workflows；要轻量交接 → OpenAI Agents SDK；要微软多语言中台 → Semantic Kernel。

---

2. 多 Agent 协作类：怎么「多人一起干」

框架	协作模式	沟通方式	可控性	突出特点	更适合
AutoGen (AG2)	对话式协作	多轮发言+选人	中（偏「软」路由）	批评–改进循环强	研究、写代码、材料互审
CrewAI	顺序 / 层级委派	任务交接	中高	Role–Goal–Task 清晰	像项目组一样的业务流
LangGraph	图上多节点 Agent	共享状态+边路由	高	协作也能做到确定路由	要协作又要合规/分支

协作类常 叠在编排类之上：CrewAI/AutoGen 是「协作体验」；LangGraph 是「可把协作画成确定图」。

---

3. 检索 / RAG / 搜索类：怎么「搜得准」

框架	定位	优化手段	是否训练	突出特点	更适合
LlamaIndex	RAG 基建	连接器/索引/检索/评估	否	数据与索引基础设施	先建库、再建 Agent
QAgent	模块化搜索 Agent	多步规划–搜索–反思	两阶段 RL	专攻「怎么搜」	已有检索底座，要加强搜索智能体
SmartSearch	查询优化	过程奖励+课程学习	三阶段课程	盯紧中间 query 质量	败因在查询改写
composer-agentic_rag	组件化 Agentic RAG	可插拔策略+反思 ReAct	否（编排）	配置拼装 HyDE/重排/Self-RAG 等	工程上快速对比策略组合
SIARE	自我进化 RAG	质量–多样性进化	进化算法	自动变异提示/策略/拓扑	愿付评估算力换自动搜参
adaptive-intelligence	检索策略路由	RL 选策略	RL	按 query 类型选搜法	查询形态很杂（待核实成熟度）
FORT（供给侧）	深度搜索数据合成	抗捷径数据生成	供 SFT	逼模型真多步搜	训练数据太「水」、模型偷懒

同层怎么选一句话
缺地基 → LlamaIndex；缺会搜的 Agent → QAgent；query 差 → SmartSearch；想拼装策略 → composer；想自动进化配置 → SIARE；要好训练集 → FORT。

---

4. 工具与协议类：怎么「接到真实世界」

方案	抽象层级	跨产品复用	突出特点	更适合
MCP	工具/资源协议	高（多客户端可复用同一 Server）	工具标准化、生态快	多 Agent/多 IDE 共用工具面
OpenAI / 各厂 Function Calling	模型原生工具调用	绑定厂商 schema	路径最短	单厂商、快速闭环
各框架 Tools 封装（LangChain/SK/…）	框架内 Tool 对象	中	与编排深度集成	已选某编排框架时

这类通常 不是替代编排，而是编排节点里的能力插头。

---

5. 记忆与状态类：怎么「记住并续上」

方案	记忆形态	突出特点	更适合
LangGraph Checkpoint	工作流状态快照	与控流一体，可 Resume/回放	任务状态、审批断点
Mem0 / Zep 等	长期用户/实体记忆	跨会话画像与事实沉淀	个性化助手、CRM 式记忆
Redis + Postgres/pgvector	会话缓存 + 长期向量/结构化	可控、易合规、易审计	企业自建、要数据主权

选型要点：工作流状态（跑到第几步）和 认知记忆（用户偏好/事实）别混成一个桶。

---

6. 训练与数据合成类：怎么「变强」而不是「多写 if」

框架/方向	输入→输出	方法	突出特点	更适合
FORT	合成难例数据 → SFT	抗捷径理论约束	专治虚假多步	训练深度搜索 Agent
QAgent / SmartSearch 训练链路	交互轨迹 → RL/课程学习	RL、过程监督	直接优化搜索行为	有算力与评测集的团队
通用 SFT/RLHF/RLAIF 管线	轨迹与偏好数据 → 策略模型	经典对齐训练	可服务任意 Agent 技能	平台型模型团队

这类偏 研究/训练平台；线上推理仍要落到编排 + 检索 + 工具。

---

7. 观测与评测类：怎么「看得见、收得住」

工具	重心	突出特点	更适合
LangSmith	Trace + 数据集评测	与 LangChain/LangGraph 最顺	已在 Lang 生态
Langfuse	开源可自托管 Trace/评分	数据留在自己侧	要私有化、可控成本
Phoenix	追踪 + 检索/Embedding 分析	偏排查质量与向量问题	RAG 质量深挖
RAGAS 等	离线 RAG 指标	忠实度/相关性等套件	回归与发布门槛

生产经验：编排和检索定了之后，观测几乎是必选项，否则无法迭代。

---

8. 耐久执行类：怎么「跑很久还不翻车」

方案	角色	突出特点	更适合
Temporal (+ Agent 编排)	工作流引擎	长事务、重试、可恢复；Activity 需幂等	跨分钟～天、副作用敏感
仅用 LangGraph Checkpoint	Agent 运行时持久化	够用中长任务与 HITL	多数交互式业务流
队列自研（Celery/MQ）	异步投递	灵活但要自补编排语义	已有成熟任务中间件团队

---

9. 垂直场景类（简表）

方向	代表形态	特点	注意
代码 Agent	Cursor、开源 coding agent	仓库感知、工具链强	通用编排替代不了深层 IDE 集成
浏览器 / 桌面 RPA Agent	浏览器操作类框架	视觉/DOM 操作	稳定性与权限风险高
客服 / 工单 Agent	业务套件或自研	流程+知识库绑定紧	常=编排+RAG+HITL 组合拳

---

跨类对照：一张表看「你该先买哪一层」

你的主痛点	优先大类	首选倾向	可叠加
分支乱、无法审批/恢复	1 编排	LangGraph	7 观测、8 Temporal
多人协作像项目组	2 协作	CrewAI / AutoGen	1 编排加固
答不准、召回差	3 检索	LlamaIndex → 再选 QAgent/SmartSearch/composer	7 评测
接不到内部系统	4 工具	MCP + 编排 Tools	—
下一会话就忘	5 记忆	Checkpoint + 长期记忆方案	—
模型不会真多步搜	6 训练	FORT / RL 搜索训练	3 检索
线上不知贵在哪、错在哪	7 观测	Langfuse / LangSmith	全类
任务要跑很久	8 耐久	Temporal + 编排	幂等治理
只要某一业态开箱	9 垂直	对应产品/套件	仍建议保留观测

---

推荐落地组合（三条样板）

A. 企业知识助手（Java 中台常见）
Spring Gateway + LangGraph/编排服务 + LlamaIndex/RAG + MCP 工具 + Langfuse +（必要时）HITL

B. 内容/研究型多 Agent
CrewAI 或 AutoGen（协作）+ LlamaIndex（材料检索）+ 观测；流程变硬后再迁部分到 LangGraph

C. 深度搜索能力建设（偏研究）
FORT 造数 → QAgent/SmartSearch 训练 → 线上推理挂进 LangGraph 节点

---

和「九大类」的对应关系（速记）

9 垂直应用
 ↑
1 编排  ↔  2 多 Agent 协作
 ↑
3 检索/RAG   4 工具/MCP   5 记忆
 ↑
6 训练/数据（让 3/1 变强）
 ↑
7 观测/评测（横切）
8 耐久执行（横切，托住长任务）

---